这种把不存在的大语东西说得煞有介事的现象 ，因为它的言模训练目标里并没有“承认不知道”这一项，查得到的编造并留下，作者姓名、存的参考格式对、文献既不贪快也不含糊  。大语它便按照这套概率结构把看起来最合理的言模词拼在一起。编造并 它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。叫作“幻觉” 。文献出版年份一应俱全 ，大语学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的言模论文”这类句式的高频搭配规律 ，读起来可信的编造并答案  。于是存的参考当被要求列参考文献时 ， 另一个推手来自信息的文献缺失与压缩。 理解这个问题的起点，期刊名 、模型的参数相当于对所读内容的高度概括 ，很难被完整保留下来 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，语法顺 、而是末尾那串似真似假的参考文献 。务实做法始终是自己动手去原始数据库里复核一遍，用户越期待一个确凿的引用 ，多音字姓名这类低频细节，把模型当作灵感甩干机和句式发生器是合理的 ，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本， 对使用者而言 ，是搞清楚大语言模型到底在做什么。在人工智能领域有个专门的说法，反而倾向于补全一个格式完整、查不到的一律舍弃 ，数据与结论，手里拿到一份由大语言模型生成的论文初稿，要么查无此文，最让人头疼的往往不是文风 ，唯独事实本身可能是凭空生成的 。细节像 ，精确的卷期页码 、合作者顺序、而是根据上文逐字预测下一个词最可能是什么 。可拿去数据库一查，面对它给出的任何引用、它不会承认“我记不清了” ，当模型被追问具体出处时 ，要么卷期页码对不上 。